JournalofManufacturingSy

stems53 (2019) 150–158

Daftar isi tersedia di

Jurnal Sistem Manufaktur

beranda jurnal:

Perubahan dan fleksibilitas penyeimbangan jalur perakitan sebagai masalah

pengoptimalan multi-tujuan
Johannes Fisel⁎, Yannick Exner, Nicole Stricker⁎, Gisela Lanza
wbk Lembaga dari Produksi Ilmu, KAISERSTRASSE 12 , 76131 , KARLSRUHE, JERMAN

ARTICLEINFO
ABSTRAK
Kata kunci:
Keseimbangan lini Tren saat ini, seperti permintaan pelanggan untuk produk individu dan siklus hidup produk yang lebih pendek,
perakitan Fleksibilitas ditangani oleh perusahaan melalui lebih banyak variasi produk dan varian. Berkenaan dengan keseimbangan jalur
Perubahan sistem perakitan aliran, bagaimanapun, penyesuaian terkait dengan investasi tinggi, yang membutuhkan
Pengoptimalan multi-tujuan pendekatan perencanaan baru untuk keseimbangan jalur perakitan. Pendekatan yang ada tidak
mempertimbangkan realokasi tugas perakitan atau dimensi fleksibilitas yang melekat pada sistem dan
kemampuan berubah sesuai dengan persyaratan. Selain itu, mereka mengabaikan ketidakpastian situasi pasar di
masa depan. Pendekatan yang diusulkan bertujuan untuk mengoptimalkan keseimbangan jalur sistem perakitan
aliran, dengan mempertimbangkan kebutuhan potensial untuk adaptasi untuk memenuhi lingkungan
perencanaan yang tidak pasti ini. Untuk tujuan ini, pertukaran biaya yang terjadi serta fleksibilitas dan perubahan
sistem difokuskan. Berdasarkan skenario, potensi komposisi masa depan dari campuran varian diselidiki dan
implikasi yang dihasilkan untuk sistem perakitan diturunkan. Dengan menerapkan pendekatan ini,
penyeimbangan jalur perakitan yang dapat disesuaikan dihasilkan dengan melakukan pengoptimalan linier
bilangan bulat campuran. Karena evaluasi dan identifikasi kecukupan tunduk pada faktor subjektif, beberapa
solusi yang berpotensi memadai dihasilkan, yang berbeda dalam hal biaya, fleksibilitas, dan kemampuan
berubah. Hasil dari pendekatan yang disajikan adalah bagian depan konfigurasi penyeimbangan jalur perakitan
optimal pareto. Untuk menunjukkan penerapan praktisnya, kasus penggunaan dalam penyeimbangan jalur
perakitan otomotif disajikan.

1. pengantar
Lingkungan produksi industri saat ini dicirikan oleh berbagai tren
besar, termasuk peningkatan permintaan pelanggan untuk produk
individual [1]. Strategi yang sering digunakan untuk menanggapi
permintaan pasar ini adalah dengan meningkatkan variasi produk dan
varian [2]. Akibatnya, tekanan untuk pengembangan produk baru dan
lebih lanjut semakin meningkat, menghasilkan siklus hidup produk
yang lebih pendek [3]. Apalagi, hal itu diperkuat dengan regulasi,
seperti subsidi atau ambang batas emisi untuk industri otomotif.
Portofolio produk yang diperbesar dan dinamika yang meningkat
dalam permintaan pelanggan mengarah pada kondisi pasar yang
dapat dianggap menantang bagi perusahaan industri [4]. Namun,
untuk menyesuaikan program produksi perusahaan, sering kali
diperlukan perubahan yang sesuai dalam sistem produksi. Perubahan
ini mungkin termasuk peralatan produksi, logistik atau organisasi
kerja dan mengakibatkan biaya yang sesuai, yang juga tunduk pada
frekuensi perubahan. Untuk memprediksi fluktuasi permintaan model
yang berbeda tersedia [5,6]. Karena masa depan tidak dapat
diketahui, tingkat ketidakpastian tertentu tetap ada [7]. Karakteristik
yang melekat pada ketidakpastian adalah bahwa hal itu mengarah
pada risiko [8], dalam hal ini risiko finansial
over atau under menyesuaikan sistem produksi untuk memenuhi
permintaan pelanggan. Untuk mengurangi risiko tersebut, sistem
produksi dapat dirancang sedemikian rupa sehingga opsi untuk dengan
mudah mengubah sistem produksi terintegrasi. Karena perubahan
membutuhkan usaha dalam peralatan, tenaga, pengetahuan dan waktu
[9], perubahan harus dijaga pada batas yang wajar.
Perakitan otomotif biasanya diatur dalam bentuk jalur perakitan
aliran varian [10], di mana perubahan merupakan tantangan yang
signifikan. Dalam bentuk organisasi ini, tugas perakitan dilakukan di
stasiun yang saling terkait dalam waktu siklus tertentu [11]. Proses
perencanaan untuk menetapkan tugas perakitan ke stasiun perakitan
disebut sebagai penyeimbangan jalur perakitan [12]. Pertimbangan
berbagai varian produk sebagian besar diwujudkan dengan
penggunaan campuran varian rata-rata [12]. Perubahan dalam
campuran varian ini hampir tidak dapat bereaksi setelah
penyeimbangan jalur perakitan telah ditentukan [13].
Keseimbangan jalur dari jalur perakitan aliran varian operasi akan
dirancang di bawah premis untuk memberikan efisiensi tinggi dan
karenanya keuntungan ekonomi [14]. Namun, cadangan kapasitas,
seperti stasiun perakitan tambahan atau waktu siklus yang
diperpanjang untuk mengatasi fluktuasi permintaan secara preventif,
mengurangi efisiensi ekonomi jalur perakitan [15]. Ini mengarah pada
tantangan merancang file

⁎
Penulis yang sesuai.
E-MAIL ALAMAT: johannes.fisel@kit.edu (J. Fisel), ni c ol e. s t ri c ke r @ k it .e du (N. Stricker).
https://doi.org/10.1016/j.jmsy.2019.09.012
Diterima 2 April 2019; Diterima dalam bentuk revisi 22 September 2019; Diterima 23 September 2019
0278-6125 / © 2019TheSocietyofManufacturingEngineers.PublishedbyElsevier Ltd.
Allrightsreserved.
J. F i sel , e t JournalofManufacturingSystem
AL. s53(2019)150–158

penyeimbangan jalur perakitan menjadi sangat efisien, tetapi juga
mempertahankan cadangan kapasitas yang memadai untuk
menyesuaikan jalur perakitan dengan persyaratan yang berubah
seperti fluktuasi campuran varian. Kemampuan untuk beradaptasi
dengan persyaratan yang berubah dijelaskan oleh berbagai istilah
dalam literatur seperti kemampuan berubah [9] atau rekonfigurasi
[16], sedangkan istilah fleksibilitas berfokus pada mempertahankan
kemampuan untuk produksi di bawah pengaruh yang berfluktuasi
[17]. Pendekatan baru menangani tantangan penyeimbangan garis
yang disajikan dari jalur perakitan aliran varian dengan
memperkenalkan model untuk pengoptimalan biaya yang
terintegrasi, kemampuan berubah, dan fleksibilitas terkait skenario
campuran varian di masa mendatang. Karakteristik fleksibilitas
dengan ini menggambarkan desain balancing jalur perakitan, yang
mampu mempertahankan produksi dalam tingkat fluktuasi kebutuhan
tertentu tanpa perlu penyesuaian. Lebih lanjut, perubahan konfigurasi
penyeimbangan garis berkaitan dengan realokasi organisasi dan fisik
dari tugas perakitan, termasuk peralatan perakitan. Sisa makalah ini
disusun sebagai berikut. Di bagian2, tinjauan pustaka disajikan.
Bagian3 dikhususkan untuk program linier integer campuran yang
diterapkan untuk mendapatkan konfigurasi penyeimbangan garis
yang dapat diubah dan fleksibel. Selain itu, evaluasi fleksibilitas dan
kemampuan berubah disajikan. Di bagian4, hasil komputasi disajikan.
Akhirnya hasil ini dibahas di Bagian5.
2. Tinjauan Literatur
Penyeimbangan jalur perakitan memiliki relevansi praktis yang tinggi
dalam produksi industri. Karena rumusan matematis dari masalah
keseimbangan garis oleh Salveson [18] Berbagai kegiatan penelitian telah
dilakukan di bidang ini. Tugas utama penyeimbangan jalur perakitan
adalah untuk mengalokasikan tugas perakitan tertentu dan sumber daya
yang diperlukan ke stasiun jalur perakitan, biasanya dengan tujuan
meminimalkan waktu siklus atau jumlah stasiun perakitan. Masalah
mendasar ini disebut dengan Simple Assembly Line Balancing Problem
(SALBP) [19].
Namun, model SALBP tidak sesuai untuk memodelkan masalah
realistik dengan cukup detail. Alhasil, di wilayah penelitian General
Assembly Line Balancing Problem (GALBP) diterapkan perluasan dari
basic problem [10]. Ini termasuk ekstensi seperti perakitan beberapa
produk [12,20], stasiun paralel [15] atau beberapa pekerja per stasiun
[21–23], dinamis [24,25], stokastik [26] dan kabur [27] waktu proses,
garis asynchronous tak bertingkat [28], pembatasan sumber daya [29]
dan garis U [30–32].
Demikian juga, pendekatan dapat diidentifikasi dalam literatur
yang membahas fleksibilitas dan kemampuan perubahan
keseimbangan jalur perakitan. Dalam makalah ini, jalur perakitan
aliran varian difokuskan. Jika perakitan beberapa varian dilakukan
dalam bentuk organisasi ini, fleksibilitas untuk memvariasikan bagian
dalam campuran varian adalah menguntungkan. Kemampuan ini
disebut sebagai fleksibilitas campuran varian [33] dan kemudian
difokuskan. Penyeimbangan baris dari beberapa varian memerlukan
penggabungan grafik prioritas perakitan individual menjadi pra-
perakitan terpadu.
operasi yang berhubungan [40], pemisahan menjadi stasiun yang
sangat fleksibel dan tidak fleksibel [41], serta definisi batas atas
absolut dan relatif dari operasi berfluktuasi spesifik-varian per stasiun
pertemuan [42]. Namun, efek ketergantungan stokastik dari tugas
perakitan pada waktu pemrosesan agregat di tempat kerja tidak
secara eksplisit dimodelkan dengan pendekatan apa pun.
Desain perubahan konfigurasi penyeimbangan jalur perakitan
biasanya berfokus pada realokasi tugas perakitan. Altemeier
[40] menjelaskan pendekatan untuk mengkonfigurasi ulang sistem
perakitan aliran dengan mengalokasikan ulang tugas berdasarkan
korelasi negatif dari tugas yang terpengaruh. Evaluasi operasi
realokasi potensial dilakukan selanjutnya oleh perkiraan ahli,
berdasarkan model sumber daya operasi yang tidak bergerak.
Pendekatan kuantitatif untuk evaluasi realokasi juga dapat
diidentifikasi. Makssoud et al. [43] mengevaluasi keefektifan
perubahan keseimbangan jalur perakitan berdasarkan jumlah
realokasi operasi. Gamberini dkk. [44,45] mengusulkan pendekatan
yang sebanding dengan mengevaluasi keseimbangan jalur perakitan
sebelum dan sesudah kemungkinan perubahan dengan menerapkan
indeks kesamaan. Yang et al.
[38] Menimbang biaya realokasi dengan waktu pemrosesan gabungan
dari tugas perakitan yang akan dialihkan serta biaya rekualifikasi
karyawan. Pemilihan peralatan manufaktur yang sesuai untuk
penyeimbangan jalur perakitan yang dapat diubah dapat ditentukan
dengan menilai peralatan dalam dimensi biaya, fleksibilitas, dan
kecepatan produksi [46].
Sebagai kesimpulan, dapat dinyatakan bahwa pendekatan tunggal
untuk konsep fleksibilitas dan kemampuan perubahan
penyeimbangan jalur perakitan telah dikembangkan. Namun, semua
pendekatan yang ditinjau memiliki batasan. Mengenai fleksibilitas,
pemodelan ketergantungan stokastik dari tugas perakitan merupakan
kontribusi baru. Lebih lanjut, berkenaan dengan perubahan, dapat
dicatat bahwa upaya konfigurasi ulang penyeimbangan garis asosiasi
dievaluasi dengan cara penilaian tambahan seperti indeks dan bukan
dengan biaya yang dihasilkan sebenarnya. Dengan demikian, juga
tidak ada evaluasi bottom-up dari biaya konfigurasi ulang berdasarkan
alokasi ulang tugas dan peralatan yang dipertimbangkan. Akhirnya,
perlu dicatat bahwa tidak ada pendekatan yang memberikan evaluasi
terintegrasi dari trade-off antara biaya, fleksibilitas dan perubahan,
3. Masalah pengoptimalan multi-tujuan
Pada bagian ini, deskripsi model optimasi multi-tujuan untuk
desain penyeimbangan jalur perakitan yang dapat diubah dan
fleksibel berkaitan dengan skenario campuran varian yang berbeda s S
diberikan. Fungsi tujuan disajikan secara individual dan kemudian
digabungkan dalam vektor fungsi tujuan yang dilengkapi dengan
kendala khusus masalah. Masalah yang harus dipecahkan dengan
optimasi adalah identifikasi penyeimbangan jalur perakitan greenfield
untuk campuran varian tertentu. Skenario ini disebut skenario 0
(selanjutnya: s0). Selain itu, penyeimbangan garis harus menghasilkan
biaya rendah sehubungan dengan yang ditentukan
grafik cedence [12]. Untuk perubahan dalam campuran varian
penentuan waktu pemrosesan di (skenario sS
0) melalui fleksibilitas
industri otomotif, biasanya rata- dalam campuran varian mewakili
rata tertimbang dari waktu pendekatan lebih lanjut. Boysen
pemrosesan individu digunakan dengan ini menyajikan gambaran
[34]. Sebuah pendekatan untuk umum formulasi dan aplikasi
menghasilkan fleksibilitas [15]. Fisel dkk. menyajikan
campuran varian mengusulkan pendekatan yang, selain
penggunaan waktu pemrosesan perubahan yang diharapkan, juga
maksimum dari suatu varian memperhitungkan
daripada menggunakan nilai ketidakpastian yang disajikan
rata-rata [35]. Selain itu, oleh deviasi standar [36]. Alokasi
penggunaan premi waktu untuk tugas yang seimbang dengan
tugas perakitan berdasarkan tujuan fleksibilitas tinggi dari
perubahan yang diharapkan penyeimbangan garis dengan

15
J. F i sel , e t JournalofManufacturingSystem
AL. s53(2019)150–158
bagian varian yang berfluktuasi buffer atau realokasi tugas
juga menjadi subjek penelitian. perakitan yang hemat biaya.
Thomopoulos menyajikan Dengan pendekatan baru
pendekatan dasar, yang ini, ketidakpastian mengenai
bertujuan untuk pemerataan campuran varian di masa
waktu pemrosesan setiap varian depan sudah ditangani selama
[12]. Rachamadugu & Talbot perencanaan greenfield dari
[37] dan Yang et al. [38], di sisi penyeimbangan garis melalui
lain, menuntut pemerataan konsep fleksibilitas dan
pemanfaatan setiap stasiun kemampuan berubah.
perakitan. Pendekatan lebih Peningkatan substansial adalah
lanjut adalah menghindari integrasi biaya modifikasi garis
fluktuasi terkait varian [39], masa depan yang diharapkan
pemisahan sebagai hasil dari campuran
varian yang berubah.
Pendekatan yang ada gagal
untuk menangani trade-off ini
dari biaya, fleksibilitas, dan
perubahan sistem.

3.1. Model jalur perakitan aliran

Struktur organisasi jalur

perakitan aliran didasarkan
pada sistem hierarki (lihat
Gambar 1). Sebagaimana
dirumuskan dalam SALBP, alur
jalur perakitan dibagi menjadi
beberapa stasiun perakitan [19]
k K yang menampilkan kembali
tingkat hierarki tertinggi. Di
dalam stasiun perakitan, waktu
siklus C tersedia untuk
memproses tugas perakitan
yang ditetapkan

15
 dibangun di. Demikian juga, biaya tempat kerja dihasilkan dari jumlah
total tempat kerja terbuka yj, k, s0 dan tingkat biayanya cwp (0). Biaya
peralatan- ment ditentukan oleh jumlah total sumber daya operasi yang
dibutuhkan rb, k, j, s0 dan tarif biaya spesifik dari setiap jenis peralatan
cinv, b (0).

fgc =
yk,s0 × cstat ( 0) + yj,k,s0 × cwp ( 0) rb,k,j,s0 × cinv,b (
k Ks0 Jk,s
0)
j + bB
0 (1)

pemodelan realistis dari proses perakitan, pemrosesan paralel sebagai-

Gambar 1. Struktur model jalur perakitan.

saya . Tugas perakitan adalah elemen kerja yang berbeda dan

tidak dapat dibagi lagi dari proses perakitan total [19]. Tingkat tempat
kerja j I berada di bawah tingkat stasiun perakitan. Definisi lebih dari
satu tempat kerja per stasiun menghasilkan pelaksanaan tugas
perakitan secara paralel dan oleh karena itu memperluas jumlah
pekerjaan yang dapat ditangani di satu stasiun perakitan. Perlu
dicatat bahwa penetapan tugas perakitan paralel di tempat kerja yang
berbeda dari stasiun perakitan, yang dilakukan secara bersamaan,
menghasilkan penyeimbangan garis yang tidak valid dalam kasus
posisi bodi mobil yang identik atau kendala prioritas dari tugas
masing-masing. Jumlah maksimum tempat kerja per stasiun konstan
untuk semua stasiun. Penting untuk dicatat bahwa tidak ada
kewajiban untuk menggunakan semua tempat kerja, oleh karena itu
tempat kerja yang tidak digunakan diperhitungkan dalam evaluasi
biaya. Untuk pelaksanaan tugas perakitan, peralatan b B mungkin
diperlukan. Jika peralatan u B juga memenuhi persyaratan tugas
perakitan, dianggap sebagai pengganti b. Peralatan ini ditugaskan ke
tempat kerja dan oleh karena itu juga ke stasiun melalui tugas
asosiasi. Di tempat kerja, peralatan yang sama dapat digunakan untuk
tugas perakitan yang berbeda. Jika tugas perakitan dialokasikan
kembali sebagai bagian dari perubahan dalam penyeimbangan jalur
perakitan, opsi berbeda untuk memenuhi
permintaan peralatan yang berubah harus dievaluasi (misalnya peralatan
bergerak, menggunakan peralatan di tempat kerja sasaran atau membeli
peralatan baru).
Asumsi berikut dibuat untuk pengoptimalan penyeimbangan jalur
perakitan. Waktu pemrosesan tugas perakitan dijelaskan oleh nilai
diskrit. Efek pembelajaran di fase awal setelah peningkatan produksi
dianggap dapat diabaikan. Selain itu, semua sumber daya
menunjukkan ketersediaan seratus persen dan realokasi fisik
peralatan berlangsung secara bersamaan. Karena ketersediaan
peralatan seratus persen, tidak diperlukan peningkatan kecepatan
jalur dan waktu siklus semua stasiun oleh karena itu sama.
Selanjutnya, penyeimbangan jalur perakitan hanya mencakup stasiun
perakitan. Stasiun teknis untuk relokasi kendaraan serta stasiun
penyangga dikecualikan dari pertimbangan. Kuantitas keluaran sistem
perakitan per periode waktu konstan. Penyesuaian kuantitas yang
mungkin harus direalisasikan dengan perubahan shift kerja.
Berkenaan dengan para pekerja, diasumsikan bahwa mereka bergerak
dengan kecepatan tak terbatas. Dengan demikian, waktu yang
dibutuhkan pekerja untuk kembali ke awal stasiun setelah
menyelesaikan aktivitas perakitan di kendaraan dianggap dapat
diabaikan.

3.2. Biaya jalur perakitan greenfield

Dalam fungsi tujuan ini, fokusnya secara eksklusif pada biaya

keseimbangan jalur perakitan sebelum perubahan. Oleh karena itu,
keseimbangan jalur perakitan ini disebut sebagai keseimbangan jalur
perakitan untuk skenario 0.
Tugas utama penyeimbangan jalur perakitan adalah alokasi tugas
perakitan ke tempat kerja sistem jalur perakitan. Untuk memastikan
3.3. Fleksibilitas
Kemampuan untuk merakit pada rasio campuran model yang
berbeda tanpa biaya perubahan arus sesuai dengan konsep fleksibilitas
seperti yang dinyatakan oleh Zäh, Möller & Vogl [47], yang menurutnya
fleksibilitas menggambarkan kemampuan suatu sistem untuk mengubah
keluarannya tanpa mengubah dirinya sendiri, dan selanjutnya disebut
sebagai fleksibilitas penyeimbangan jalur perakitan.
Dalam pendekatan yang disajikan, kemampuan merakit pada rasio
campuran model tertentu dianggap valid, bila waktu pengerjaan rata-
rata di setiap stasiun perakitan tidak melebihi waktu siklus. Jika tidak,
stasiun akan kelebihan beban. Jika tuntutan fleksibilitas ditransfer ke
alokasi tugas perakitan ke tempat kerja, ini dapat diartikan sebagai
menghindari kelebihan beban. Penyeimbangan garis berdasarkan waktu
pemrosesan rata-rata menghasilkan penyimpangan positif atau negatif
dari waktu pemrosesan rata-rata pada saat proses perakitan aktual
bergantung pada varian, yang mengakibatkan kelebihan beban atau
waktu idle di tempat kerja [48]. Jika beberapa tugas perakitan dengan
waktu pemrosesan khusus model dialokasikan ke tempat kerja, efek
pada waktu pemrosesan gabungan di tempat kerja harus
dipertimbangkan. Jika asumsi berlaku bahwa waktu pemrosesan tugas
perakitan tidak bergantung pada tugas perakitan lain di tempat kerja
yang sama, ini mencerminkan independensi stokastik dari tugas
perakitan. Namun asumsi ini ditolak mengenai perakitan di industri
otomotif karena ada ketergantungan antara tugas perakitan misalnya
melalui penawaran paket peralatan. Oleh karena itu, diinginkan untuk
tugas sembly hingga WP tempat kerja yang berbeda dari stasiun perakitan
didukung. Apalagi, biaya untuk stasiun perakitan juga untuk
tempat kerja dan peralatan diperhitungkan untuk s0 di target
fungsi fgc dalam Persamaan. (1). Biaya stasiun perakitan ditentukan
dengan jumlah total stasiun perakitan yang dibuka yk, s0 dan biaya stasiun
perakitan cstat (0) pada waktu 0 di mana sistem perakitan tersebut
mengalokasikan tugas-tugas gabungan ke tempat kerja sedemikian rupa
sehingga pengaruh fluktuasi dalam campuran model pada pemeliharaan
waktu siklus diminimalkan.
Oleh karena itu, fungsi objektif dari fleksibilitas memperluas
pendekatan Fisel et al. [36] dengan memasukkan dependensi stokastik
yang direfleksikan oleh kovariansi waktu pemrosesan untuk pasangan
tugas perakitan. Ini diilustrasikan dengan contoh dua tugas perakitan
untuk perlengkapan opsional berikut. Waktu proses untuk tugas-tugas ini
bukan 0 detik (peralatan opsional dipesan) atau 0 detik (peralatan
opsional tidak dipesan). Jika tugas perakitan adalah bagian dari bundel
peralatan yang sama, ketergantungan stokastik diasumsikan, karena
kemungkinan besar kedua tugas tersebut harus dilakukan. Dalam kasus
ini, mengalokasikan tugas-tugas ini ke tempat kerja yang sama
menghasilkan 0 detik atau total waktu pemrosesan yang tinggi di tempat
kerja. Dari perspektif ini, disarankan untuk mengalokasikan tugas-tugas
ini secara terpisah. Oleh karena itu, varians tempat kerja didefinisikan
sebagai varian agregat dan kovariansi yang ditentukan secara
berpasangan dari tugas-tugas perakitannya.49], Persamaan. (2) telah
diturunkan untuk menggambarkan varians dari penyeimbangan jalur
perakitan untuk sebuah skenario. Rumus tersebut merangkum varian
waktu pemrosesan untuk setiap tempat kerja j di setiap stasiun k dengan
meringkas varians dari semua tempat kerja
tugas perakitan yang dialokasikan (xi, j, k, s = 1) dan kovariansi semua
kombinasi tugas perakitan dan. Untuk mendapatkan agregat evaluasi
varians, pertimbangan pembobotan spesifik skenario dari varians
diberikan oleh faktor ws dalam Persamaan. (3).
|sayas | |
fmelentur |sayas | x
saya,j,k,s × varsaya,s sayas | xsaya,j,k,s × xv,j,k,s
kan,s
= +2 ×
saya=1
k Ks j Jk,s saya=1 v=saya+1
× cov
(saya; v) (2)

fmelent fmelenturkan,s variabel qtrans, b, s mewakili jumlah realokasi peralatan yang

urkan (3) dibutuhkan b. Jika peralatan b akan diintegrasikan jika terjadi
sS
× ws perubahan dengan pembelian atau relokasi di tempat kerja j stasiun k,
=
ini ditunjukkan

3.4. BERUBAH oleh mint, b, j, k, s. Demikian juga, mdis, b, j, k, s menunjukkan

disintegrasi. Selanjutnya qstat, s menjelaskan perbedaan jumlah stasiun
Penyeimbangan garis yang berbeda satu sama lain ditandai oleh antara skenario s0 dan s | s s0 sedangkan stat, s menjelaskan apakah
perbedaan ini positif atau dibutuhkan stasiun tambahan. Indikator
alokasi tugas dan peralatan perakitan yang tidak identik untuk
negatif tidak digunakan sebagai
bekerja- stasiun usang diasumsikan tidak memiliki nilai sisa. Waktu
tempat. Transisi dari jalur perakitan yang menyeimbangkan lbA ke periode di mana biaya perubahan tidak langsung terjadi tergantung
yang berbeda pada
balancing jalur perakitan lbB disebut sebagai perubahan. Ini termasuk proses realokasi paling kompleks dari suatu peralatan b yang ditandai
realokasi tugas dan peralatan perakitan, serta biaya yang dihasilkan. dengan b, s.
Tujuan dari desain bal- bal jalur perakitan yang dapat diubah
ancing adalah meminimalkan biaya ini. Dengan demikian, desain frencana,s (xsaya,j,k,s xsaya,j,k,s0) × xsaya,j,k,s ×
penyeimbangan jalur perakitan yang dapat diubah dapat dikaitkan = s k Ks j Jk,s crencana,s () (4)
dengan masalah realokasi tugas perakitan. Kemampuan untuk sayasaya

menyesuaikan keseimbangan jalur perakitan di

biaya serendah mungkin karena itu disebut sebagai perubahan finv,s = bB |qb,s| pos,b,s × cinv,b ()
keseimbangan jalur perakitan. × (5)
Klasifikasi biaya perubahan didasarkan pada pekerjaan awal oleh
Wiendahl dan Heger [50]. Realokasi tugas perakitan sesuai dengan fdisinv,s = |qb,s| × neg,b,s × cdisinv,b ()
relokasi objek perubahan, sehingga biaya perubahan dibagi menjadi bB
(6)
biaya objek transformasi (TOC) serta biaya implementasi langsung (DIC)
dan tidak langsung (IIC). Klasifikasi modular yang dihasilkan untuk fint,s = mint,b,j,k,s × cint,b ()
evaluasi biaya divisualisasikan dalamGambar 2 dengan realokasi bBk Ks |s 0 j Jk,s |s 0 (7)
tugas perakitan i dari tempat kerja di stasiun perakitan A ke tempat kerja
fdisint,s = mdis,b,j,k,s × cdisint,b ()
di stasiun perakitan B. Nilai 0 dan 1 dalam tanda kurung menunjukkan
keadaan sebelum (0) dan setelah perubahan (1). Objek transformasi
b B k Ks0 j Jk,s0 (8)
biaya terdiri dari biaya investasi dan biaya disinvestasi cdisinv
peralatan perakitan, di mana arus kas positif dan negatif dapat terjadi dengan proses perubahan. disint
sehubungan dengan disinvestasi tergantung pada nilai yang tersisa. Biaya Mereka diwakili oleh biaya egras
implementasi langsung menggambarkan biaya yang terkait langsung integrasi cint, cdisint i,
transportasi ctrans dan perencanaan cplan. ftrans,s = qtrans,b,s × ctrans,b ()
bB
(9)

fkalah,s = b,s
× ckalah,b ()
bB
(10)
Disintegrasi menggambarkan pemindahan peralatan dari sistem
fMenambahkan,s = stat,s × cstat () + yj,k × cwp ()
pertemuan aliran, sedangkan integrasi menjelaskan penambahannya.
k Ks |s 0 j 0 (11)
Jika peralatan yang dilepas akan dipindahkan, biaya pengangkutan qstat,s × Jk,s |s

diberlakukan. Organi-
perencanaan zasional dari realokasi tugas perakitan juga f= (f +f +f +f +f +f +f
menghasilkan
biaya yang tidak bergantung pada peralatan. Biaya ini dikelompokkan chplan ,sinv ,sdesinv.dll ,sint ,sdesint ,Strans ,slos
tS ,ss
dalam biaya perencanaan. Biaya implementasi tidak langsung dihasilkan
secara tidak langsung dari
+ fMenambahkan,s ) × ws (12)
proses perubahan dan disebut sebagai clost laba yang hilang.
Waktu yang diharapkan dari perubahan diperhitungkan saat
mengevaluasi kemampuan berubah. Biaya perubahan yang dihasilkan
oleh karena itu digambarkan sebagai fungsi dari titik waktu 3.5. NOTASI MASALAH PENGOPTIMALAN
perubahan c (). Persamaan.(4) - (12) menjelaskan fungsi f untuk
menentukan biaya bawahan masing-masing.
Dalam konteks ini, variabel qb, s menunjukkan perbedaan peralatan, Fungsi tujuan dijelaskan dalam beberapa bagian 3.2 untuk 3.4
dimana variabel biner pos, b, s menunjukkan bahwa peralatan tambahan mewakili masalah optimasi multi-tujuan dan dikelompokkan bersama
b diperlukan dan neg, b, s menunjukkan bahwa peralatan yang
dibutuhkan lebih sedikit. Itu dalam Persamaan.
(13) untuk membentuk vektor fungsi tujuan z.

Gambar 2. Model biaya modular dari biaya perubahan untuk

peralatan perakitan.

fgc dalam skenario perlu ditentukan untuk digunakan dalam fungsi tujuan
min z (37). Untuk membatasi tempat kerja per stasiun, maks- imum yang
fmel
= diwakili oleh parameter WP tidak boleh dilampaui (38). Gambaran
entu
rkan
umum dari notasi yang digunakan diberikan dalam Lampiran A.1.
fch (13)

Fungsi obyektif yang disajikan tunduk pada batasan berikut.

Persyaratan dasar untuk memenuhi semua tugas dipenuhi dengan xsaya,j,k,s = iI s ; sS
menetapkan variabel biner xi, j, k, s ke nilai tepat satu kali per tugas dan k K
1 (14)
s
skenario j Jk,s
(14). Selanjutnya, semua tugas yang dialokasikan per tempat kerja xsaya,j,k,s × CjJ s ;k Ks; sS
dan stasiun perakitan tkuat,saya,s
saya
perlu dilakukan dalam waktu siklus yang diberikan secara eksternal C (15). saya s (15)
Untuk
semua pasangan tugas yang memiliki hubungan prioritas timbal balik (h, i) Ivr,s, itu untuk
dipastikan bahwa penerus dialokasikan ke stasiun perakitan yang sama (k × xh,k,s) (k × xi,k,s) 0 ( h, sayavr,s ; kK (16)
atau berikutnya k daripada pendahulunya h (16). Dalam kasus alokasi saya) s
tugas
kation ke stasiun perakitan k dan tempat kerja j, keduanya, perakitan xsaya,j, M × yj,k,s × yk,s 0 jJ s ;k Ks; sS
k,s
stasiun dan tempat kerja perlu dibuka yk, s = yj, k, s = 1. Oleh karena itu, saya s (17)
saya
sejumlah besar M> | Is diterapkan (17).
Untuk mengamankan hubungan prioritas, variabel gh, i, j, k, s dengan 19). Untuk meminimalkan xh,j,k,
alokasi tugas h dan (18– pekerja berjalan
digunakan. Variabel biner ini disetel ke nilai yang diperlukan sesuai
s+ xsaya,j,k,s gh,saya,j,k,s 1 jJ s; k Ks; s S; h, saya
saya Adalah |h
(18)
kali, tugas seperti h dan yang dialokasikan ke bodi mobil yang sama xsaya,j,k,s + jJ s; k Ks; sS ; h, saya Adalah |
gh,saya,j,k,s 0 (19)
Hai
posisi (h, i) IKA,s harus dilakukan pada pekerjaan yang sama-
tempatkan dalam urutan yang benar jika dialokasikan ke stasiun
WP
perakitan yang sama (20). Alokasi ke tempat kerja yang sama jika stasiun xsaya,j,k,s + xh,j,k,s 1 ( h, IKA,s; k Ks; sS
perakitan bersama berlaku untuk semua tugas yang juga memiliki
saya) (20)
hubungan prioritas bersama. Variabel gh, i, j, k, s mengambil nilai untuk
memastikan ini(21). gh,saya,j,k,s
j=1
Persamaan. (22) menetapkan variabel alokasi bmb, i dari WP x + xg 1 ( h,
saya) saya ; kK ; sS
perakitan tertentu

peralatan
atau b untuk tugas tertentu ke 0, dalam hal b tidak dimaksudkan saya,j,k,s h,j,k,s h,saya,j,k,s vr,s s
dibutuhkan oleh. Oleh karena itu, matriks dua dimensi Bmb, u, i dengan (21)
j=1
b,uB
telah disediakan secara eksternal yang menyatakan apakah peralatan
tipe b dapat diganti dengan jenis peralatan untuk tugas tertentu. Di sini, bmb,saya = 0 bB ; saya Bmb,u,saya =
dipastikan bahwa tepat satu dari semua kemungkinan pengganti Adalah | uB 0 (22)
digunakan untuk tugas(23).
Dengan prasyarat ini, model mengalokasikan peralatan perakitan Bmb,u,saya 1
ke bmu,saya = 1 bB ; saya
(23)tempat kerja sesuai dengan pengganti yang dipilih di Persamaan.
dengan menggunakan
Adalah |
variabel biner rb, j, k, s (24). Sekali lagi, jumlah yang cukup besar u B| (23)
uB
Bmb,u,saya=1
M > |Adalah bm × xM ×r 0 bB ; jJ ; kK ; sS
digunakan (24).
Metode ini memungkinkan untuk menyesuaikan keseimbangan garis b,saya saya,j,k,sb ,j,k,s ss
dengan skenario yang berbeda. saya s
Oleh karena itu, alokasi peralatan perakitan mungkin berubah sesuai saya
(24)
dengan skenario berbeda yang mengakibatkan disintegrasi dan
integrasi
biaya dalam fungsi tujuan, diaktifkan oleh variabel biner mdis, b, l, m, s dan
mint, b, j, k, s. Untuk semua skenario s s0 yang berbeda dari skenario awal s0 rb,j,k,s + mdes,b,l,m,s 1 bB ; jJ s0; l Js |l = j; k Ks0; m
(mdis, b, l, m, s = 1), dipastikan bahwa peralatan perakitan tidak lagi Ks |m = k; sS | ss 0
dialokasikan di tempat kerja sebelumnya j setelah dipindahkan ke tempat
kerja yang berbeda. (25). Begitu pula sebaliknya, Persamaan.(26) (25)
memastikan bahwa peralatan yang dipindahkan dialokasikan di tempat kerja ;k Ks; sS |ss
rb,j,k,s + mint,b,j,k,s b B; jJ s 0 (26)
baru, jika peralatan terintegrasi (mint, b, j, k, s = 1).

0
Variabel qb, s diatur dalam Persamaan. (27) dan mewakili perbedaan rb,j,k,s rb,j,k,s0 b B; j Js; k Ks; s S|ss0
j Jk,s
dalam k Ks j Jk,s k Ks0 0
total permintaan peralatan tipe b setelah perubahan skenario. Biner
variabel pos, b, s, neg, b, s dan eq, b, s menyatakan apakah selisih qb, s
qb,s = 0
positif, negatif atau nol (28-30). Mengikuti definisi tersebut, tepat satu
dari tiga variabel biner harus memiliki nilai(31). (27)
Jumlah realokasi fisik peralatan perakitan yang tidak diperoleh atau
dibuang tambahannya selama adaptasi ke a
skenario yang berbeda dimodelkan oleh variabel qtrans, b, s (32). Lebih rb,j,k,s0 pos,b,s rb,j,k,s bB ; sS |ss 0

lanjut, variabel biner b, s menunjukkan apakah realokasi fisik terjadi k Ks 0 × k K j Jk,s

untuk peralatan tipe b selama pergeseran dari s0 ke(33). Mengingat s

modelnya 1j Jk,s0

asumsi realokasi simultan peralatan perakitan selama perubahan ke (28)

skenario baru, biaya (kehilangan keuntungan karena waktu untuk re-
alokasi) ditentukan oleh jenis peralatan yang paling mahal (paling
memakan waktu) b. Jenis peralatan ini ditentukan di Persamaan. (34) rb,j,k,s neg,b,s rb,j,k,s0 bB ; sS |ss 0

melalui perbandingan timbal balik semua clost, b dan disimpan dalam k Ks × k Ks 0 j Jk,s0

variabel biner b, s dengan menetapkan nilainya menjadi 1 hanya untuk 1 j Jk,s

jenis peralatan yang paling mahal (35).
Karena skenario yang berbeda, jumlah stasiun perakitan (29)
opened can differ. The variable qstat,s is defined as the additional |qb,s| eq,b,s × M eq,b,s 0 b B; sS |ss 0 (30)
×
amount of assembly stations needed in scenario ss 0 (36). Further, a
binary indicator stat,s showing additional demand for assembly stations 1 bB ; sS |ss
pos,b,s + neg,b,s + eq,b,s = 0 (31)
 (mint,b,j,k,s
|qb,s|) × pos,b,s + (mdisint,b,j,k,s |qb,s|) b B; s S|s s0

k Ks j Jk,s × neg,b,s + mint,b,j,k,s × eq,b,s

qtrans,b,s = 0

(32)
( b,s + qtrans,b,s )( M× b,s × qtrans,b,s) 0 bB ; sS |ss 0

(33)
( b,s × lost,u × u,s
c ) ( b,s × lost,b × b,s
c ) 0
b B ; u B|u b;s S|s s0
Fig. 3. Scenarios for future line balancing changes.
(34)

=1
b,s sS |ss 0 constraints [52]. In this implementation of NSGA-II, the crossover op-
bB (35) erator for continuous problems is extended by a rounding rule for in-
yk,s tege problems. This type of reproduction is not suitable for assembly line
yk,s0 qstat,s = 0 k Ks; sS |ss 0
k Ks0 balancing problems, as this type of reproduction rounds off con- tinuous
k Ks (36)
variables, creating invalid solutions [53]. Therefore, the
( stat,s + qstat,s)( M× stat,s × qstat,s) 0 bB ; sS |ss 0 (37) crossover operator is replaced by the one-point crossover operator based
on Bäck et al. [54]. The computational complexity of the NSGA-II
yj,k,s WPk Ks; sS is O(MN²) where M in this context is the number of objectives and N
j Jk,s (38) the population size [55].
The results of the optimization problem contain a line balancing
configuration for each scenario and are therefore referred to as
4. Use case solution clusters. Fig. 4 shows the solution clusters with line balancing
solutions

The assembly line balancing is to be planned for a compact class 2High BEV40;60;04;4;035
3Multi Concept50;25;255;5;510
car with three different drive concepts based on real automotive
industry data, collected in the research project “Energieeffiziente und
flexibel industriell herstellbare Elektrofahrzeugantriebe (16EMO0064
K)”. The drive concepts contain an internal combustion engine (ICE),
battery electric vehicle (BEV) and a bivalent natural gas engine
(bNGV). The different drive concepts are realized by a conversion
design and ac- cordingly integrated into existing flow assembly line
systems if re- quired. However, this leads to partially heterogeneous
processing times and equipment requirements as well as to
completely different as- sembly tasks, mainly due to different
technical properties. The case study contains one hundred assembly
tasks and seven types of assembly equipment.
In order to define the required flexibility and changeability, it is
necessary to define the possible future market developments in the form
of scenarios. The presented use case is based on a current scenario s0
(low BEV) and three future scenarios s1 to s3 (focus ICE, high BEV, multi
concept). These scenarios are formalized by normal distributions as
representations of the shares in the model mix. Table 1 shows the
quantitative characteristics of the expected value in the model mix μ,
the standard deviation σ and the probability of occurrence P of the
scenarios presented .
The scenario s0 describes the model mix of the initial greenfield
planning, whereas the scenarios s1 to s3 represent alternative changes of
the line balancing. Taking into account the probabilities of occurrence
Ps, the scenario tree of the planning problem shown in Fig. 3 results.
The complete data basis including processing times of assembly tasks,
precedence constraints, car body access areas, assembly equip- ment
and costs can be found in [51]. Additionally, a detailed pre- sentation of
results is included.
The Non-dominated Sorting Genetic Algorithm II (NSGA-II) is used
according to Lin to calculate the solution clusters, since, in contrast to
MathWorks MATLAB’s implementation, it allows the usage of

Table 1
Planning scenarios of drive concepts (ICE; BEV; bNGV).

snameμ [%]σ [%] Ps [%]

0Low BEV80;20;03;3;045
1Focus ICE100;0;00;0;010
for scenarios s0 to s3. In order to obtain a first evaluation of the solu-
tions, pareto fronts have been calculated. As shown, the solutions
are assigned to ten different pareto fronts. A rational decision maker
should focus on solution clusters of the first pareto front.
An exemplary detailed view on the solution cluster 47, which is part
of the first pareto front in Fig. 4, is given in Appendix A.2. A solution
cluster contains a line balancing for each scenario s0 to s3. Within a line
balancing, the allocation of assembly tasks to a station and to one of its
two workplaces is shown by the number of the task (1 to 100). Also the
allocation of equipment to a workplace is given in the row b by the
numbers 1 to 7. A positive aspect is the equipment allocation, which is
displayed in Fig. A.1 in the row b for each workplace and every sce-
nario. The industrial manipulator (b = 1) with a load suspension device
for a door (b = 2) or cockpit (b = 3) and the stationary screw tech- nology
(b = 6) are the most cost intensive equipment regarding both the DIC
and the IIC [51]. As can be seen in Fig. A.1 allocation of the industrial
manipulator with the load suspension device for doors (sta- tion 1 and
2) is the same for scenarios s0, s1 and s2. Hereby it should be noted that
assembly tasks 1 and 2 in s3 cannot be allocated to a common station
due to the processing time constraints. The same applies to
equipment 1, 3 and 6 which is allocated to station 11. In case of
changing the line balancing from s0 to s1 or s2, no DIC or IIC occur from
reallocating this equipment.
The presentation of the change costs focuses on TOC and DIC. For
a detailed breakdown of all change costs, readers are referred to [51].
The physical relocation of equipment is evaluated by the TOC of the
investment (inv) and disinvestment (disinv) as well as the DIC of
planning (plan), transport (trans), integration (int) and disintegration
(disint). Fig. 4 shows solution clusters that each contain a line
balancing for scenarios 0, 1, 2 and 3 (see Fig. A.1). Change costs occur
when the assembly line balancing of scenario 0 is changed to the
assembly line balancing of another scenario. Fig. 5 covers the change
costs TOC and DIC of all solution clusters shown in Fig. 4 and
describes their dis-
tribution by quantiles. This is applied for the changes from scenario 0 to 1
(Fig. 5 s1), 0 to 2 (Fig. 5 s2), and 0 to 3(Fig. 5 s3). Here it is noticeable that
comparatively high investment costs in the change to scenario s1 are not balanced by
earnings from disinvestments, which implies an additional need for equipment. This also
results in an imbalance in integration and disintegration costs. With regard to the DIC, the plan-
ning costs represent the dominant cost driver in each scenario, whereby the planning effort in
the change to scenario s3 causes the highest costs.
 Fig. 4. Pareto fronts as a result of the multi objective optimization problem.
5. Conclusion
The presented novel approach allows the design of an assembly
line balancing considering future scenarios as well as the preference
of a decision maker in the objective conflict of costs, flexibility and
chan- geability. The approach can also be used to evaluate existing
assembly line balancing configurations regarding these objectives.
This requires a manual formulation of the data basis and its
integration into the opti- mization model by defining the assembly
line balancing for scenario s0. Furthermore, this approach can also be
applied to evaluate the change costs for existing assembly line
balancing configurations for scenarios
that have not yet been considered. Here, the data basis of the scenario
must also be adjusted accordingly.
5.1. Discussion
In order to determine valid solutions, the optimization problem
requires considerable computational power due to its large solution
space. The modelling of the car body access areas and precedence
constraints has a significant influence on the composition of the solu-
tion space. If the start and end times have to be explicitly determined for
each assembly task within the station, this typically requires a dedicated
decision variable, which in turn leads to a significant increase in the
solution space, depending on the granularity of the time scale. Another
key influence on the solution space is the granularity of as- sembly tasks.
If, for practical reasons, assembly tasks are to be carried out immediately
one after the other, modelling as a joint assembly task is an effective way
of limiting the size of the solution space. Furthermore, the quality of the
optimization result depends on the quality of the underlying input data.
The use of series production
Fig. 5. Overview of TOC and DIC.
processing times is recommended, because the optimization algorithm
decides (based on these times) on the adherence to the cycle time and
therefore does not consider subsequent assembly process improve-
ments.
5.2. COMPARISON WITH LINE BALANCING RELATED PUBLICATIONS IN THE
JOURNAL OF MANUFACTURING SYSTEMS (JMS)
The presented approach is in line with the assembly line balancing
topics of the Journal of Manufacturing Systems. The approaches pub-
lished in this journal can be categorized into extensions of the SALBP
and algorithmic improvements.
The extensions of the SALPB are carried out by adapting the pro-
blem constraints or the target function. For the adaptation of the pro-
blem constraints, contributions to the U-line [30–32], minimization of
the cycle time using robots [56], fuzzy assembly times [27], multiple
workers per station [21–23] and unpaced asynchronous lines [28] are
identified. The presented approach offers links to fuzzy assembly
times and multiple workers per station. The fuzzy modeling of the
processing times implies that those are not used as constant planning
parameters. In the approach presented, the processing time of an
assembly task results from the proportionally weighted processing
times of different product and optional equipment variants. A change
in the variant mix thus leads to a change in the planning parameter
processing time. In- stead of applying fuzzy modelling, the presented
approach tackles the uncertainty of the processing time by the
objective function of flex- ibility which takes the stochastic
dependence of assembly tasks into account. The extension of the
SALPB for assigning multiple workers to one station is also applied in
the presented approach. The upper limit of workers per station is an
input variable and is defined by the parameter
WP. In contrast to the approach of Sungur & Yavuz [23], the same
qualification is assumed for all workers. Pearce et al. [22] introduce
grouped tasks that are created prior to the optimization process from
the assembly precedence graph of a single product and are executed
by the same worker. The presented approach does not create these
groups of operations explicitly, but implicitly through the same car
body po- sition (20) and precedence dependency between tasks (21).
The objective functions of the approaches presented in the JMS
are predominantly mono-criterial [e.g. 22,23,30,41] or brought to a
mono- criterial form by combining the objectives [e.g. 21,29,57,58].
Typical objectives are to minimize the number of stations, workers
and cycle time. However, approaches with multi-criteria objective
functions could also be identified [e.g. 27,56,59]. The present
approach uses a multi-criteria objective function in order not to
preselect a weighting of the objectives and thus to enable sensitivity
studies relevant for in- dustrial applications. As is made clear by the
articles published in the JMS, the flexibility [e.g. 41,60] and
adaptability respectively re- configurability [e.g. 61,16] of production
systems are essential com- petitive factors. In the presented
approach, the flexibility and change- ability of assembly line balancing
are formulated as separate objective functions. Thus, an optimization
of the assembly line balancing is performed with a focus on the
uncertainty of the future variant mix.
To solve the line balancing problem, the approaches identified in the
JMS preferably use heuristics, which are in some cases variants of genetic
algorithms [e.g. 31,32]. However, further algorithms for solving the line
balancing problem are presented, such as a hybrid ant colony algorithm
[59], a hybrid bee colony algorithm [62], a branch and bound algorithm
[30], a branch and bound based decomposition [63], multi-objective
evolution strategies [56] or a simulated annealing al- gorithm [57]. In
addition, multi-stage procedures are presented. Chen presents a
procedure in which feasible solutions are identified in the first step and
subsequently the optimal solution is identified by a si- mulated annealing
algorithm [21]. Chen et al. enhance this method and replace the
simulated annealing algorithm by a genetic algorithm [29]. This method is
again developed further by Chen et al. by replacing the procedure for the
identification of feasible solutions by a priority rule- based method [58].
Pearce et al. present a heuristic combining ranked positional weighting,
last-fit-improvement and an iterative blocking scheme [22]. Since the
scope of the presented approach is on opti- mizing the changeability and
flexibility of a line balancing configura- tion according to the level of
uncertainty regarding the future variant mix, a variant of the frequently
used genetic algorithm is applied.
5.3. Outlook
The following approaches can be applied to add further detail to
the evaluation of assembly line balancing configurations. The
objective function of flexibility suppresses the formation of
workplaces with a high time spread and takes the stochastic
dependence of assembly tasks into account. An evaluation of the
resulting flexibility can be achieved by a subsequent analysis of
flexibility corridors [27]. For this purpose, the variant mix of the
respective scenarios can be systematically varied and evaluated in
terms of assembly feasibility. Furthermore, by con- sidering the costs
of compensating for overload by, for example, sup- port staff, the
evaluation of assembly line balancing can be further improved. This
evaluation is to be carried out subsequently to the op- timization,
since concrete instances of the variant mix are to be ana- lyzed for
each scenario. Multi attribute decision making methods can be used
to select one of the generated line balancing alternatives.
Declaration of Competing Interest
The authors declare that they have no known competing financial
interests or personal relationships that could have appeared to influ-
ence the work reported in this paper.
Acknowledgements
The authors would like to thank the Federal Ministry of Education
and Research for the kind support and funding within the project
“Energieeffiziente und flexibel industriell herstellbare
Elektrofahrzeugantriebe (16EMO0064K)”.
Appendix A. Supplementary data
Supplementary material related to this article can be found, in the
online version, at doi:https://doi.org/10.1016/j.jmsy.2019.09.012.
References
[1] Westkämper E, Löffler C. Implementierung von Strategien in das System
Produktion. In: Westkämper E, Löffler C, editors. Strategien der Produktion. Berlin
Heidelberg: Springer; 2016. p. 239–89.
[2] Vogel W. Complexity managed approach for resource planning in variant-rich
product development. In: Bode C, Bogaschewsky R, Eßig M, Lasch R, Stölzleeditors.
Supply management research. Wiesbaden: Springer; 2017. p. 83–128.
[3] Lee SM, Olson DL, Trimi S. Co-innovation: convergenomics, collaboration, and co-
creation for organizational values. Manage Decis 2012;50(5):817–31.
[4] Christopher M. The agile supply chain: competing in volatile markets. Ind Mark
Manag 2000;29(1):37–44.
[5] Ghobbar AA, Friend CH. Evaluation of forecasting methods for intermittent parts
demand in the field of aviation: a predictive model. Comput Oper Res
2003;30(14):2097–114.
[6] Zhao X, Xie J, Leung J. The impact of forecasting model selection on the value of
information sharing in a supply chain. Eur J Oper Res 2002;142(2):321–44.
[7] Stacey RD. Managing the unknowable: strategic boundaries between order and
chaos in organizations. San Francisco: John Wiley & Sons; 1992.
[8] Morse E, Dantan JY, Anwer N, Söderberg R, Moroni G, Qureshi A, et al.
Tolerancing: managing uncertainty from conceptual design to final product.
CIRP Ann 2018;67(2):695–717.
[9] Wiendahl HP, ElMaraghy HA, Nyhuis P, Zäh MF, Wiendahl HH, Duffie N, et al.
Changeable manufacturing-classification, design and operation. CIRP Ann
2007;56(2):783–809.
[10] Boysen N, Fliedner M, Scholl A. Production planning of mixed-model assembly
lines: overview and extensions. Prod Plan Control 2009;20(5):455–71.
[11] Papadopoulos CT, O’Kelly ME, Vidalis MJ, Spinellis D. Analysis and design of dis-
crete part production lines. New York: Springer; 2009.
[12] Thomopoulos NT. Mixed model line balancing with smoothed station assignments.
Manage Sci 1970;16(9):593–603.
[13] Scholl A. Balancing and sequencing of assembly lines. Heidelberg: Physica-Verlag;
1999.
[14] Hu SJ, Ko J, Weyand L, ElMaraghy HA, Lien TK, Koren Y, et al. Assembly system
design and operations for product variety. CIRP Ann 2011;60(2):715–33.
[15] Boysen N. Variantenfließfertigung. Wiesbaden: Deutscher Universitätsverlag; 2005.
[16] Koren Y, Shpitalni M. Design of reconfigurable manufacturing systems. J
Manuf Syst 2010;29(4):130–41.
[17] de Toni A, Tonchia S. Manufacturing flexibility. A literature review. Int J Prod Res
1998;36(6):1587–617.
[18] Salveson ME. The assembly line balancing problem. J Ind Eng 1955;6(3):18–25.
[19] Baybars I. A survey of exact algorithms for the simple assembly line balancing
problem. Manage Sci 1986;32(8):909–32.
[20] Dörmer J. Produktionsprogrammplanung bei variantenreicher Fließproduktion:
Untersucht am Beispiel der Automobilendmontage. Wiesbaden: Springer Gabler;
2013.
[21] Chen Y-Y. A hybrid algorithm for allocating tasks, operators and workstations
in multi-manned assembly lines. J Manuf Syst 2017;42:169–209.
[22] Pearce B, Antani K, Mears L, Funk K, Mayorga M, Kurz M. An effective integer
program for a general assembly line balancing problem with parallel workers and
additional assignment restrictions. J Manuf Syst 2019;50:182–92.
[23] Sungur B, Yavuz Y. Assembly line balancing with hierarchical worker assignment.
J Manuf Syst 2015;37:290–8.
[24] Boucher TO. Choice of assembly line design under task learning. Int J Prod Res
1987;25(4):513–24.
[25] Chakravarty AK. Line balancing with task learning effects. IIE Trans
1988;20(2):186–93.
[26] Tempelmeier H. Practical considerations in the optimization of flow
production systems. Int J Prod Res 2003;41(1):149–70.
[27] Kalayci C, Hancilar A, Gungor A, Gupta S. Multi-objective fuzzy disassembly line
balancing using a hybrid discrete artificial bee colony algorithm. J Manuf Syst
2015;37:672–82.
[28] Lopes T, Michels A, Sikora C, Magatão L. Balancing and cyclical scheduling of
asynchronous mixed-model assembly lines with parallel stations. J Manuf Syst
2019;50:193–200.
[29] Chen Y-Y, Cheng C-Y, Li J-Y. Resource-constrained assembly line balancing pro-
blems with multi-manned workstations. J Manuf Syst 2018;48:107–19.
[30] Ogan D, Azizoglu M. A branch and bound method for the line balancing problem
in U-shaped assembly lines with equipment requirements. J Manuf Syst
 2015;36:46–54.
[31] Rabbani M, Kazemi S, Manavizadeh N. Mixed model U-line balancing type-1
pro- blem: a new approach. J Manuf Syst 2012;31(2):131–8.
[32] Tiacci L. Mixed-model U-shaped assembly lines: balancing and comparing with
straight lines with buffers and parallel workstations. J Manuf Syst 2017;45:286–
305.
[33] Olhager J. Manufacturing flexibility and profitability. Int J Prod Econ
1993;30:67–78.
[34] Keckl S, Kern W, Abou-Haydar A, Westkämper E. An analytical framework for
handling production time variety at workstations of mixed-model assembly lines.
Procedia CIRP 2016;41:201–6.
[35] Aissi H, Bazgan C, Vanderpooten D. Min–max and min–max regret versi-ons
of combinatorial optimization problems: a survey. Eur J Oper Res
2009;197(2):427–38.
[36] Fisel J, Exner Y, Stricker N, Lanza G. Variant flexibility in assembly line balancing
under the premise of feasibility robustness. Procedia CIRP 2018;72:774–9.
[37] Rachamadugu R, Talbot B. Improving the equality of workload assignments in
as- sembly lines. Int J Prod Res 1991;29(3):619–33.
[38] Yang C, Gao J, Sun L. A multi-objective genetic algorithm for mixed-model as-
sembly line rebalancing. Comput Ind Eng 2013;65(1):109–16.
[39] Matanachai S, Yano CA. Balancing mixed-model assembly lines to reduce
work overload. IIE Trans 2001;33(1):29–42.
[40] Altemeier S. Kostenoptimale Kapazitätsabstimmung in einer getakteten
Variantenfließlinie Paderborn: Dissertation 2009.
[41] Nazarian E, Ko J, Wang H. Design of multi-product manufacturing lines with the
consideration of product change dependent inter-task times, reduced
changeover and machine flexibility. J Manuf Syst 2010;29(1):35–46.
[42] Hazır Ö, Dolgui A. Assembly line balancing under uncertainty. Robust optimization
models and exact solution method. Comput Ind Eng 2013;65(2):261–7.
[43] Makssoud F, Battaïa O, Dolgui A. An exact method for the assembly line re-bal-
ancing problem. Prabhu V, Taisch M, Kiritsis D, editors. Advances in production
management systems. Sustainable production and service supply chains, vol. 414.
IFIP Advances in Information and Communication Technology; 2013. p. 159–66.
[44] Gamberini R, Gebennini E, Grassi A, Regattieri A. A multiple single-pass heuristic
algorithm solving the stochastic assembly line rebalancing problem. Int J Prod
Res 2009;47(8):2141–64.
[45] Gamberini R, Grassi A, Rimini B. A new multi-objective heuristic algorithm for
solving the stochastic assembly line re-balancing problem. Int J Prod Econ
2006;102(2):226–43.
[46] Bukchin J, Tzur M. Design of flexible assembly line to minimize equipment cost.
IIE Trans 2000;32(7):585–98.
[47] Zäh MF, Möller N, Vogl W. Symbiosis of changeable and virtual produc-tion‐the
emperor’s new clothes or key factor for future success. Proceedings (CD) of the
international conference on changeable, agile, reconfigurable and virtual produc-
tion 2005.
[48] Boysen N, Fliedner M, Scholl A. A classification of assembly line balanc-ing
pro- blems. Eur J Oper Res 2007;183(2):674–93.
[49] Laux H, Schabel MM. Subjektive Investitionsbewertung, Marktbewertung und
Risikoteilung. Grenzpreise aus Sicht börsennotierter Unternehmen und in-
dividueller Investoren im Vergleich. Berlin Heidelberg: Springer; 2008.
[50] Wiendahl H-P, Heger CL. Justifying changeability. A methodical approach
to achieving cost effectiveness. J Manuf Sci Prod 2004;6(1–2):33–40.
[51] [dataset] [51] J. Fisel, Changeability and flexibility of assembly line balancing as a
multi-objective optimization problem, Mendeley Data, v1; 2018. https://doi.org/
10.17632/pzv79h76jc.1.
[52] Lin S. NGPM – a NSGA-II program in matlab v1.4. 2011 [Accessed 16 December
2018]. https://de.mathworks.com/matlabcentral/fileexchange/31166-ngpm-a-
nsga-ii-program-in-matlab-v1-4.
[53] Chong KE, Omar MK, Bakar NA. Solving assembly line balancing problem using
genetic algorithm with heuristics-treated initial population. Proc World Congr Eng
2008;2:1273–7.
[54] Bäck T, Fogel DB, Michalewicz Z. Evolutionary computation 1: basic algorithms
and operators. Boca Raton, New York, Oxon: Taylor & Francis; 2000.
[55] Deb K, Pratap A, Agarwal S, Meyarivan T. A fast and elitist multiobjective genetic
algorithm: NSGA-II. IEEE Trans Evol Comput 2002;6(2):182–97.
[56] Yoosefelahi A, Aminnayeri M, Mosadegh H, Ardakani H. Type II robotic
assembly line balancing problem: an evoluation strategies algorithm for a multi-
objective model. J Manuf Syst 2012;31(2):139–51.
[57] Abdolr Roshani, Ar Roshani, Abdolh Roshani, Salehi M, Esfandyari A. A
simulated annealing algorithm for multi-manned assembly line balancing
problems. J Manuf Syst 2013;32(1):238–47.
[58] Chen J, Chen Y-Y, Chen T-L, Kuo Y-H. Applying two-phase adaptive genetic algo-
rithm to solve multi-model assembly line balancing problems in TFT-LCD
module process. J Manuf Syst 2019;52:86–99.
[59] Zha J, Yu J-J. A hybrid ant colony algorithm for U-line balancing and
rebalancing in just-in-time production environment. J Manuf Syst
2014;33(1):93–102.
[60] Asadi N, Jackson M, Fundin A. Implications of realizing mix flexibility in assembly
systems for product modularity – a case study. J Manuf Syst 2019;52:13–22.
[61] Maganha I, Silva C, Ferreira L. Understanding reconfigurability of
manufacturing systems: an empirical analysis. J Manuf Syst 2018;48:120–30.
[62] Akpinar S, Baykasoglu A. Modelling and solving mixed-model assembly line
bal- ancing problem with setups. Part II: a multiple colony hybrid bees
algorithm. J Manuf Syst 2014;33(4):445–61.
[63] He C, Guan Z, Gong Y, Wang C, Yue L. Automated flexible transfer line design
problem: sequential and reconfigurable stages with parallel machining cells.
J Manuf Syst 2019;52:157–71.
Johannes Fisel holds a M.Sc. degree in Industrial Engineering and Management from KIT.
Currently, he is a research associate at the wbk Institute of Production Science at KIT
focusing on flexibility and changeability in production system planning.
Yannick Exner received his B.Sc. in Industrial Engineering and Management from KIT
and is currently engaged in his M.Sc. degree. He worked as a student research assistant
at the wbk Institute of Production Science where he focused on adaptive production
systems and agile factory planning.
Dr.-Ing. Nicole Stricker is chief engineer of the group “Production Systems” at the wbk
Institute of Production Science at KIT. Focus topics of her research activities are robust
production systems and machine learning.
Prof. Dr.-Ing. Gisela Lanza holds the Professorship “Production System and Quality
Management” at KIT and is head of the wbk Institute of Production Science. Her division
mainly deals with the areas of global production strategies, production system planning,
and quality management in research, industrial application, and teaching.